Vor dem Gespräch: Cao Yuan von DeepMind: Der Boom von AI for Science läutet eine neue Ära ein.
In der ersten Augustwoche kündigte Jeff Dean, die zentrale Persönlichkeit bei Google, seinen Rücktritt an. Er verließ das Unternehmen gemeinsam mit mehreren weiteren Führungskräften, um das Unternehmen Discovery Loop zu gründen, das sich der Beschleunigung von Forschungsprozessen in der Biowissenschaft und anderen Branchen widmet.
Im Silicon Valley markiert dies, dass der Bereich AI for Science in eine Phase des explosionsartigen Wachstums eintritt.
Gerade während zahlreiche Mathematiker, Physiker und Biologen in führende AI-Labore wie OpenAI und Anthropic eintreten, verändert KI das Paradigma der wissenschaftlichen Forschung der Menschheit. OpenAI gab bekannt, dass das Modell Astra 10 seit langem ungelöste mathematische Probleme der Menschheit hergeleitet hat. Anthropic hat das noch nicht veröffentlichte wissenschaftliche Claude-Modell dazu gebracht, die untere Grenze der Nullstellen im Zusammenhang mit der Riemann-Hypothese von 41,6 % auf 67,2 % zu verbessern. Gleichzeitig treibt KI die wissenschaftliche Spitzenforschung in Bereichen wie Biopharmazeutika, Materialwissenschaften und Physik rasch voran.
Die selbstständige Weiterentwicklung von KI, die einen geschlossenen Kreislauf der Forschung und Entwicklung bildet, ist der Kern der Beschleunigung der wissenschaftlichen Forschung. In diesem Prozess ist die Rolle des Menschen jedoch etwas unklar definiert.
In diesem Artikel sprechen wir mit Cao Yuan, ehemaliger leitender Forschungswissenschaftler bei Google DeepMind, über AI for Science. Wir diskutieren die Methodik der selbstständigen Weiterentwicklung von KI in der Wissenschaft, die Anwendungen von KI in der Mathematik und Physik und sprechen schließlich sogar über einige philosophische Fragen und die Bedeutung des Menschen. Im Folgenden finden Sie unser Gespräch mit Cao Yuan.
Der Weggang von Google
Chen Xi: Cao Yuan, herzlich willkommen bei Silicon Valley 101. Stell dich bitte unseren Zuschauern kurz vor.
Cao Yuan: Hallo zusammen, ich bin Cao Yuan und war früher Wissenschaftler bei Google DeepMind. Außerdem bin ich Mitbegründer des KI-Startups Unreasonable Labs. Unser Unternehmen konzentriert sich hauptsächlich auf die Forschung an AI for Knowledge Creation (Wissensschaffung), AI for Science sowie F&E (Forschung und experimentelle Entwicklung).
Chen Xi: Der Zeitpunkt unserer heutigen Aufnahme ist sehr passend. Erst gestern (6. August 2026) kündigte Jeff Dean von Google an, dass er eine Gruppe von Technologieführungskräften leiten wird, um ein neues Unternehmen namens Discovery Loop zu gründen, das ebenfalls an Themen im Zusammenhang mit AI for Science (AI4S) arbeiten möchte. Ich habe viele Kommentare gesehen, die sehr nachdenklich stimmen: Man spricht davon, dass dies das Ende einer Ära und der Beginn einer neuen Ära ist. Meinem Verständnis nach endet damit eine Ära für Google und eine neue Ära der wissenschaftlichen Forschung im Bereich AI4S beginnt. Ist diese Auffassung korrekt?
Cao Yuan: Ich denke, dieses Ereignis lässt sich aus mehreren Perspektiven interpretieren.
Erstens gibt es bei Google und DeepMind schon immer viele hervorragende Talente und Teams. In der Vergangenheit konzentrierte sich jedes Team auf seine eigenen Themen und mischte sich kaum in die Arbeit der anderen ein. Seit dem Start des Gemini-Projekts vor drei bis vier Jahren ist es aber eines der wichtigsten Projekte des Unternehmens, das die Bündelung aller Kräfte erfordert. Seitdem hat dies große Herausforderungen für die Organisation, Personalverwaltung und Projektmanagement mit sich gebracht, und interne Konflikte sind kaum zu vermeiden.
Zweitens war die Leistung von Gemini in den letzten sechs Monaten relativ unbefriedigend. Zum Beispiel war Gemini 3.1 Pro zu Beginn dieses Jahres noch eines der leistungsstärkeren Sprachmodelle auf den Ranglisten. Aber in den letzten drei bis vier Monaten haben sich die Fähigkeiten der Modelle von Anthropic, OpenAI und einigen Open-Source-Unternehmen in China rasant verbessert. Im Vergleich dazu sind die Leistungen von Gemini 3.5 Flash und dem neuesten 3.6 Flash relativ durchschnittlich, und das von allen erwartete 3.x Pro wurde bisher noch nicht offiziell veröffentlicht. Insgesamt liegt Gemini im Fortschritt zurück. Unter diesen Umständen wird Google auch große Schwierigkeiten haben, Anthropic bei neuen Fähigkeiten rund um coding agent (Programmieragent) im Geschäftsmodell einzuholen und das Geschäftsmodell in diese Richtung zu lenken.
Drittens geht es bei der Gründung von Discovery Loop durch Jeff Dean, Oriol, Sanjay und Quoc im Wesentlichen darum, KI die selbstständige Wissensentwicklung, Wissensentdeckung und automatische wissenschaftliche Forschung zu ermöglichen. Das stimmt sehr gut mit der Richtung überein, die unser Startup verfolgt. Logisch gesehen ist dies auch eine natürliche Erweiterung der Entwicklung der KI-Fähigkeiten. In den letzten zwei bis drei Jahren konzentrierte sich die Branche vor allem auf Fähigkeiten in Mathematik und Programmierung, wie das automatische Schreiben von Code oder das Lösen von mathematischen Olympiade-Aufgaben. Wenn diese Fähigkeiten allmählich ausgereift sind, ist der nächste Bereich, in dem sich die KI-Intelligenz weiterentwickeln, große Vorteile bringen und den Menschen bei der Lösung größerer Probleme helfen kann, ganz natürlich die Ausweitung der mathematischen und Code-Fähigkeiten auf eine breitere wissenschaftliche Wissensentdeckung. Deshalb gibt es seit diesem Jahr deutlich mehr Startups, die sich auf Knowledge Discovery (Wissensentdeckung), AI4S und Recursive Self-Improvement (rekursive Selbstverbesserung) konzentrieren. Wenn ein Star-Team wie Jeff, Oriol, Sanjay und Quoc ein Startup gründet, werden sie sicherlich versuchen, einen neuen Maßstab in diesem Bereich zu setzen und eine neue Art von NeoLab (neues KI-Labor) zu werden.
Aber wenn man daraus schließt, dass „eine neue Ära angebrochen ist und Google sich möglicherweise neu ausrichtet“, halte ich das für übertrieben. Denn selbst wenn es Veränderungen in der Führungsebene gibt, verfügt Google immer noch über die vollständigen Full-Stack-Fähigkeiten, die für die Entwicklung hochwertiger Sprachmodelle und KI erforderlich sind: von den untergeordneten Chips, Infrastrukturen, Rechenzentren und Toolchains über Modelle, Talente und Daten bis hin zu übergeordneten Produkten und Vertriebskanälen für eine sehr breite Palette von Verbraucherprodukten. Google ist vollständig unabhängig von externen Ökosystemen. Das Problem ist nicht, dass Google es nicht gut machen kann, sondern dass Prioritäten und Ressourcenzuweisung angepasst werden müssen. Ich bin überzeugt, dass Google diese Fähigkeiten später noch nachholen wird.
Chen Xi: Ich bin immer noch neugierig. Du hast gerade erwähnt, dass es bei Google schon ein AI4S-Forschungsteam gibt, das auch der ehemalige CEO Demis Hassabis schon immer sehr wertgeschätzt hat. Er hat sogar das Unternehmen Isomorphic Labs unabhängig geleitet. Warum kann Google diese Wissenschaftler, einschließlich dir und Jeff, nicht behalten, damit sie weiterhin AI4S intern bei Google betreiben?
Cao Yuan: Zuerst einmal ist der Personalwechsel zwischen mehreren führenden Technologieunternehmen im Silicon Valley schon immer sehr häufig, nicht nur bei Google. Für mich persönlich habe ich mich entschieden, diesen Schritt zu gehen, weil ich zuvor an der Modelliteration und dem Nachtraining von Gemini gearbeitet habe, aber ich habe immer über tiefere Fragen nachgedacht, zum Beispiel darüber, wie man Modelle wirklich intelligenter machen kann. Um AGI zu erreichen, fehlen den aktuellen Modellen, obwohl sie bereits gut Mathematik betreiben und Code schreiben können, noch einige entscheidende Fähigkeiten. Um echte wissenschaftliche Probleme zu lösen, müssen sie neue Hypothesen aufstellen, diese überprüfen und sich ständig selbst aktualisieren. Aber derzeit sind diese Fähigkeiten noch weit davon entfernt, „dem Menschen zu helfen, ein exponentielles Wachstum des wissenschaftlichen Wissens zu erreichen“. Warum fehlen diese Fähigkeiten? Wie kann man Modelle weiter verbessern, damit sie den Menschen bei besseren Tätigkeiten unterstützen? Das ist eine Frage, die mich sehr interessiert und einer der Gründe, warum ich mich für die Gründung eines Startups entschieden habe.
Chen Xi: Warum hat Jeff Dean dann Leute mitgenommen, um das Unternehmen zu verlassen? Kannst du das erraten?
Cao Yuan: Jeff Dean ist eine legendäre Figur bei Google und in der gesamten Branche. Seit den frühen Tagen von Google bis heute stammen eine große Anzahl von Internet-Infrastrukturen aus seinen Arbeiten: von MapReduce, Spanner und BigTable über die Gründung von Google Brain bis hin zu TensorFlow, einem der frühesten Deep-Learning-Frameworks, Google TPU (Google Tensor Processor) und schließlich Gemini. Oriol und Quoc, die mit ihm gegangen sind, sind frühe Mitglieder des Google Brain-Teams und arbeiten schon sehr lange zusammen.
Auch Sanjay ist ein Urgestein bei Google, der fast zur gleichen Zeit wie Jeff Dean eingetreten ist und ein langjähriger Partner ist. Sie kennen sich also alle sehr gut. Ich habe im Büro oft gesehen, wie Jeff Dean und Sanjay pair coding (Paarprogrammierung) betrieben und gemeinsam Code geschrieben haben. Sie haben sich jeden Tag der Woche Zeit genommen, um Code zu schreiben, und Jeff hat immer alles selbst in die Hand genommen. Wenn sie sich also entschließen, gemeinsam ihre eigenen Projekte zu verwirklichen, ist das eine sehr logische Konstellation: Sie kennen sich und verfügen alle über einen starken technischen Hintergrund.
Chen Xi: Nicht nur Jeff Dean ist jetzt gegangen, sondern auch John Jumper, Mitbegründer von AlphaFold und Nobelpreisträger, ist vor einiger Zeit zu Anthropic gewechselt. Früher dachte ich immer, dass Google eines der Unternehmen ist, die den AI4S-Weg am stärksten wertschätzen, und Demis Hassabis hat diesen Weg lange Zeit geleitet. Deshalb hat mich das aufeinanderfolgende Weggehen von Kernmitarbeitern sehr überrascht. Warum kann Google diese Wissenschaftler nicht behalten?
Cao Yuan: Denn die höchste Priorität bei Google ist derzeit definitiv, Gemini auf SOTA (dem besten Niveau der Branche) zu bringen, mindestens gleichauf mit Anthropic und OpenAI oder sogar besser. Deshalb müssen kurzfristig viele Arbeitsprioritäten auf Gemini verlagert werden, auch der Arbeitsschwerpunkt von Jumper und einigen früheren Mitarbeitern, die im Bereich AI4S gearbeitet haben, ändert sich damit. Bei einem so großen Team und einem Projekt mit so hoher Priorität ist es unmöglich, alle vollständig zufriedenzustellen. Es ist an sich eine sehr herausfordernde Aufgabe, sicherzustellen, dass die Fähigkeiten und Ansprüche so vieler Talente vollständig berücksichtigt und angemessen angeordnet werden. Ich denke, Google hat in diesem Bereich bereits viele Optimierungen und Anpassungen vorgenommen, damit jeder sein maximales Potenzial entfalten kann, und das Management, die Wissenschaftler und Ingenieure verbessern diesen Prozess ständig weiter. Es gibt noch viele Herausforderungen im Management, aber ich denke, die Situation verbessert sich.
Chen Xi: Wie stellst du fest, dass es sich verbessert?
Cao Yuan: Bei der Entwicklung großer Modelle kann man nicht mehr die Managementmethoden von großen Unternehmen in der Vergangenheit anwenden, da es sehr schnelle Iterationen und kontinuierliche Aktualisierungen erfordert. Google muss sich „selbst revolutionieren“, das Gemini-Team so weit wie möglich wie ein Startup gestalten und seine Fähigkeiten so schnell wie möglich nachholen. Das bedeutet, dass das Management Anpassungen bei der Personalplanung, den Aufgaben jedes Einzelnen und der gesamten Projektplanung vornehmen muss und den Mut zur selbstständigen Erneuerung haben muss. Ich bin überzeugt, dass Google das bereits erkannt hat und dies weiter vorantreiben wird.
Chen Xi: Wenn also neue Talente hinzukommen, könnte das auch neue Veränderungen mit sich bringen. Zum Beispiel hat Meta, nachdem Alex Wang beigetreten ist, in letzter Zeit einige Anzeichen von Verbesserungen gezeigt, darunter Muse Spark und das neueste Programmiermodell, die von der Außenwelt gut aufgenommen wurden.
Cao Yuan: Ja, es wird definitiv Veränderungen geben. Für die Entwicklung eines Modells gibt es mehrere Schlüsselfaktoren: Talente, Daten, Rechenleistung und das Projektmanagement, das oft übersehen wird. Jeder dieser weichen Aspekte muss verbessert und ständig weiterentwickelt werden. Für Meta ist es sehr beeindruckend, dass MSL (Meta Superintelligence Labs) in weniger als einem Jahr das derzeitige Niveau erreicht hat. Aber es wird immer schwieriger, von diesem Niveau aus weiter zu SOTA (dem besten Niveau der Branche) zu gelangen. Von 0 auf 80 Punkte kann man in einer bestimmten Zeit schnell aufholen, aber von 80 auf 100 Punkte oder sogar darüber hinaus ist die Herausforderung viel größer. Google war schon immer auf einem relativ hohen Niveau, aber es wird viel Arbeit erfordern, viele Ressourcen zu koordinieren und alle Arbeiten effizient zu planen, um das Modell schnell zu iterieren und die Spitzenposition zu erreichen.
Chen Xi: Werden AI for Discovery (KI-Entdeckung) und AI4S also weiterhin die Bereiche sein, auf die Google stark setzt?
Cao Yuan: Ja. In der E-Mail, die Sundar vor zwei Tagen verschickt hat, wurde auch erwähnt, dass Demis, obwohl er von seiner Position als CEO von DeepMind zurückgetreten ist, weiterhin die für AGI und Wissenschaft zuständigen Abteilungen leitet. Unter allen KI-Technologieunternehmen ist Google eines der Unternehmen, das die Wissenschaft am frühesten, breitesten und tiefsten aufgebaut hat, und sein gesamtes Ökosystem ist am besten entwickelt. Die Frage, wie KI die Entwicklung von Wissenschaft und Technik automatisch vorantreiben kann, ist ein so wichtiges Thema, das nicht nur für ein Unternehmen, sondern auch für die Gesellschaft und sogar für das Land von großer Bedeutung ist. Die Entwicklung der menschlichen Gesellschaft wird letztendlich von Wissenschaft und Technik angetrieben. Jetzt, da wir über so leistungsstarke KI-Tools verfügen, müssen wir diese Fähigkeit unbedingt weiter vorantreiben. Deshalb wird Google AI4S nicht aufgeben, es gibt nur kurzfristige